
ElevenLabs Scribe v3:在 AA-WER 上以 1.95% 位居第二,落后于一个预览版
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百万 tokens · 184 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百万 tokens · 506 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百万 tokens · 262 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百万 tokens · 94 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百万 tokens · 222 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百万 tokens · 99 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百万 tokens · 132 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百万 tokens · 82 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百万 tokens · 122 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百万 tokens · 104 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百万 tokens · 66 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百万 tokens · 41 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百万 tokens · 216 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百万 tokens · 108 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733智能
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 每百万 tokens · 160 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740智能
ElevenLabs Scribe v3 的头条数字是 1.95% 的词错误率,在 Artificial Analysis 的 AA-WER v2.2 非流式榜单上排名第二,落后于 Alibaba 的 Fun-Realtime-ASR-preview(1.73%),领先于 Microsoft AI 的 MAI-Transcribe-2(2.04%)。这句话准确,但也是解读这一结果最没用的方式,因为 1.95% 并不是一次测量——它是三个不同测试集的加权平均值,而在其中一个测试集上,Scribe v3 根本不是第二。它是第一,领先于排名比它高的那个模型。ElevenLabs 于 2026 年 11 月 9 日发布 Scribe v3,在同一次 API 调用中取代 Scribe v2,并于 11 月 17 日下调所有 Scribe 模型的价格。上线十天后,有趣的问题不再是这个模型好不好,而是这三个数字中你该相信哪一个。
1.95% 实际上由什么构成
Artificial Analysis 不会为每个模型发布单一的 WER,而是发布一个由三个经过清洗的语料库构建的综合指标(AA-WER Index),并且每个语料库的失效模式各不相同:来自 LibriVox 风格有声书的朗读语音、来自欧洲议会的议会语音,以及带口音英语的即兴多人财报电话会议。将它们平均成一个单一指数,作为一种便利手段是合理的,但作为采购工具却很糟糕,因为这三者对相同模型的排名并不一致。
以下是当前榜单上排名前四的详细分项数据。下面的每一个数字都来自 Artificial Analysis 自身,直接读取自榜单的数据负载,而非四舍五入后的显示值:
• 综合 AA-WER — Fun-Realtime-ASR-preview 1.73%,Scribe v3 1.95%,MAI-Transcribe-2 2.04%,Scribe v2 2.18%。
• 核心 AA-STT 集——Scribe v3 1.47%、Scribe v2 1.51%、MAI-Transcribe-2 1.83%、Fun-Realtime-ASR-preview 1.97%。Scribe v3 在这一项上直接胜出,而排名高于它的模型则在四者中垫底。
• VoxPopuli(议会场景)——Fun-Realtime-ASR-preview 1.17%,MAI-Transcribe-2 1.50%,Scribe v3 1.52%,Scribe v2 1.74%。Scribe v3 在此排名第三,仅以微弱差距落后于 Microsoft。
• Earnings-22(自发、带口音、多说话人)—— Fun-Realtime-ASR-preview 1.80%,MAI-Transcribe-2 2.99%,Scribe v3 3.34%,Scribe v2 3.95%。这正是排序反转最剧烈的地方:Microsoft 以 0.35 分领先 ElevenLabs,而综合得分的 0.09 分差距消失了。

这个规律并非随机。Scribe v3 在干净的朗读语音上表现最强,而在最接近真实会议的语料上表现最弱——这类语料包含说话人重叠、不流畅现象、电话带宽和口音。而这恰恰也是企业买家真正最关心的语料,因此综合评分的排序与联络中心的实际体验可能会出现差异。如果你的音频是播客和演播室访谈,那么 1.47% 这个数字比 1.95% 更接近你的实际情况;如果是销售通话,那么 3.34% 才是。
它上方的模型是一个预览版
Fun-Realtime-ASR-preview 在综合评分中排名第一,而它靠的是两个最难的语料库,而不是简单的那个。它的中位速度倍率为 20.3——约为实时的二十分之一——这意味着处理一小时音频大约需要三分钟,标价为每 1,000 分钟 2.82 美元。Scribe v3 以实时的 76.8 倍进行转写,价格为每 1,000 分钟 3.33 美元。因此,领先者更慢、整体更便宜,而且名字里带着 preview 字样。
这些都不会让排名出错;该指数衡量的是准确率,而非就绪程度。但它确实意味着,“Scribe v3 排名第二”这句话会暗示第一名由某个生产模型占据,而事实并非如此。Alibaba 的条目在榜单上没有发布日期,没有公布按语言划分的明细,而且标识符中还带有“preview”一词。本季度选择供应商的团队,是在将一个已交付产品与一个评估版本进行比较,而两者之间 0.22 分的差距,比同一指数内两个语料库之间的差异还小。
从 v2 到 v3,用两种方式衡量
ElevenLabs 为 Scribe v3 发布的自家数据是:在一次内部 FLEURS 运行中,覆盖 102 种语言,词错误相较 Scribe v2 降低 27%——从 16.94% 降至 12.38%——并声称在所有测试语言中均有改善,此外说话人分离错误降低 12%,当有三位或更多说话人时降低 17%。这些是厂商数据,运行在厂商自己版本的一个公开基准上;ElevenLabs 也异常坦率地表示,其 FLEURS 平均是按语言计算而非语料库级别,因此无法与已发布的 FLEURS 数字相比较。
Artificial Analysis 用其自有评测框架运行后显示,增益较小:综合指标从 2.18% 降至 1.95%,相对提升约 11%;吞吐量从 53.5× 提升到 76.8×。这两种说法都成立。在多语言 FLEURS 上 27% 的相对改进,与在三个英语语料库上 11% 的相对改进,衡量的是不同的东西,而二者之间的差距是发布材料中最有用的事实——它告诉你,优势集中在英语朗读语音之外,而这正是厂商声称其考察所在的地方。

Scribe v3 与 v2 之间的功能差异比营销宣传所暗示的要小。Scribe v3 保留了 v2 的功能集:说话人分离最多支持 32 位说话人、批处理支持 1,000 个关键术语、词级时间戳、实体检测、转录文本编辑、导出为 SRT 和 DOCX。它新增了对录音的自动语言推断、数字格式控制、次要语言代码,并在实时方面增加了包含 10,000 个术语的关键术语库和轮次预测。它还去掉了一项功能:没有逐字模式。微软的 MAI-Transcribe-2 通过一个开关同时提供逐字和整理两种样式,而对于合规和质检转录来说,这是功能上的差异,而非外观上的差异。
11月17日对算术做了什么
发布八天后,ElevenLabs 全面下调 Speech to Text 定价:批量转写每小时 0.20 美元,实时转写每小时 0.22 美元,适用于自助服务版和 Business 版,覆盖所有 Scribe 模型。也就是每 1,000 分钟 3.33 美元和 3.67 美元。正是这个数字让准确率对比表变得有实际意义,因为在旧价格下,对微软 0.09 个百分点的准确率劣势很容易辩解,而在新价格下,价格差距就是全部论据。

关于读取排行榜价格列的一点提醒:Scribe v3 的 $3.33 正好是每小时 $0.20,Scribe v2 的 $3.67 正好是每小时 $0.22,而这两个价格分别是 ElevenLabs 当前列表中的批量和实时费率。两行 ElevenLabs 数据按两个不同 SKU 定价时,会被读成每千个 34 美分的 v2 到 v3 折扣,而这一折扣并不存在。在从排名表得出定价结论之前,请检查追踪器采样的内容。
对任何构建转录文本背后流水线的人来说,值得直说:这些语音模型——无论是 Scribe v3 还是 MAI-Transcribe-2——都不在 OrcaRouter 的名单上,上面的费率是 ElevenLabs 和 Microsoft 的,不是我们的。我们路由的是 转录文本所汇入的那一层:会议记录交给一个模型,合规审查交给另一个模型,全部通过一个密钥,同时按 0% 加价透传供应商目录价以及自动故障转移在供应商之间进行。这在语音流水线中比在其他场景更重要,因为转录文本是输入,不是产品,而产品通常位于下游三次模型调用之后。
接下来两周应该能确定什么
这张图里缺了两样东西,而两者都是暂时的。第一个是流式榜单。Scribe v3 Live 与批处理模型一同发布,声称在 102 种语言上相比 Scribe v2 Realtime 将词错误率降低 31%,语义 WER 降低 43%,并且包含 ElevenLabs 已推出的首个实时说话人分离功能——在 16 种语言集合的英语切片上错误率为 3.1%,而其他实时模型为 5.9% 到 7.3%。这些是供应商在与其自身对齐的参考基准上给出的数字,且流式排行榜尚未标绘该模型,因此该说法目前无法证伪,而非已得到证实。
第二个是医疗变体 Scribe v3 Live Medical,它根本不是 API 模型:它存在于 ElevenAgents 中,处于早期访问阶段,需要 turn_v3 轮次模型,没有单独费率,并且文档中警告:在确认其符合 HIPAA 资格之前,不要发送受保护健康信息。批量 API 医疗模型仍为 Scribe v2 Medical。这个产品系列在发布时,本应推出临床批量产品的位置却留下了一个空缺。
老实说,Scribe v3 上线十天后的一句话评价是:它是干净朗读语音上最好的非流式模型,在会议场景中排名第二,是 ElevenLabs 已发布的最快产品,而且在 11 月 17 日之后,它的价格已经足够低,以至于准确率论据和价格论据终于指向了同一个方向。榜单上唯一压在它上面的还是一个预览版,而预览版可签不了合同。
